Введение 11
1 Обзор литературы 11
1.1 Экономико-географическое положение и климатические характеристики СФО 14
1.2 Социально-демографическое положение 15
1.3 Топливно-энергетический комплекс 15
Заключение по главе 1 16
2. Факторы, влияющие на электропотребление 17
2.1. Валовой региональный продукт: структура, динамика 17
2.2. Топливно-энергетический баланс 23
2.3. Электрический баланс Сибирского федерального округа 28
2.4. Электроемкость и энергоемкость 37
2.5. Оценка потребностей населения СФО в электроэнергии 43
2.5.1. В зависимости от демографических тенденций 43
2.5.2. В зависимости от денежных доходов населения 49
Заключение по главе 2 54
3. Оценка универсального показателя энергетической эффективности субъектов СФО.55
Заключение по главе 3 57
4 Многофакторное долгосрочное прогнозирование 58
4.1 Метод множественной регрессии в программе STATISTICA для прогноза
потребления ЭЭ видами экономической деятельности 59
4.2 Метод множественной регрессии в программе STATISTICA для прогноза валового
регионального продукта 73
4.3 Метод авторегрессионного проинтегрированного скользящего среднего в
программе STATISTICA для прогноза потребления электроэнергии видами экономической деятельности 78
4.4 Метод нейросетевого моделирования в программе STATISTICA для прогноза
потребления ЭЭ видами экономической деятельности 86
4.5 Метод множественной регрессии в программе STATISTICA для прогноза
потребления электроэнергии населением 97
4.6 Метод нейросетевого моделирования в программе STATISTICA для прогноза
потребления электроэнергии населением 105
Заключение по главе 4 111
5 Социальная ответственность 113
5.1 Анализ опасных и вредных производственных факторов 114
5.1.1 Шум 115
5.1.2 Электромагнитное излучение 116
5.1.3 Освещение 117
5.1.4 Микроклимат 121
5.1.5 Электробезопасность 122
5.2 Экологическая безопасность работы 123
5.3 Защита в чрезвычайных ситуациях 124
5.4 Правовые и организационные вопросы обеспечения безопасности 126
Заключение по разделу 5 128
6 Основные пути повышения эффективности электропотребления по субъектам СФО ...129
Заключение 131
Термины и определения 133
Список использованных источников 136
Приложение А 141
Приложение Б 162
Приложение В 174

Купить

Выпускная квалификационная работа 175 с., 80 рисунков, 29 таблиц, 65
источников, 3 приложения.
Ключевые слова: Сибирский федеральный округ, электробаланс,
электропотребление, электроэффективность, электросбережение, валовый региональный продукт, универсальный показатель электрической эффективности, множественная регрессия, модель авторегрессионного проинтегрированного скользящего среднего, нейросетевая модель.
Объектом исследования является перспективная и ретроспективная статистика электрического баланса Сибирского федерального округа (СФО) за 15 лет, социальнодемографические и экономические показатели, информация о потреблении электрической энергии (ЭЭ) отдельно видами экономической деятельности и населением за 15 лет в разрезе года, с разбивкой по месяцам.
Цель работы - разработать основы стратегического прогнозирования потребления электрической энергии территории.
Для осуществления цели в работе были решены следующие задачи:
1. Собрана и исследована ретроспективная база показателей социальнодемографической дифференциации населения;
2. Собрана и проанализирована ретроспективная база данных для электробаланса СФО в разрезе видов экономической деятельности;
3. Проведена оценка факторов, влияющих на электропотребление;
4. Произведен прогноз социально-демографических показателей и уровня доходов населения территории на перспективу до 2020 года (3 сценария развития);
5. Выполнен прогноз потребления электрической энергии населением и сформированы 3 сценария частного баланса электрической энергии на перспективу до 2020 года.
В качестве методов и средств в работе использованы: системный анализ социально-экономической картины, методы множественной регрессии, моделирование авторегрессионного проинтегрированного скользящего среднего, нейросетевое моделирование в прикладной программе STATISTICA, экспертная оценка.
В результате исследования получено несколько вариантов прогноза электропотребления видами экономической деятельности, потребления электрической энергии на душу населения, и электропотребления населением с допустимыми относительными ошибками кросс-проверки для каждой прогнозной модели.
В работе предложен оптимальный вариант прогнозирования электропотребления методом нейросетевого моделирования в программе STATISTICA.
Значимость работы состоит в том, что прогнозирование электропотребления служит базой для принятия последующих решений при долгосрочно-целевом планировании программ развития территорий.
Термины и определения
Валовой региональный продукт (ВРП) - показатель, измеряющий валовую добавленную стоимость, исчисляемый путём исключения из суммарной валовой продукции объёмов её промежуточного потребления, измеряется в руб. [29].
Временной ряд - это собранный в разные моменты времени статистический материал о значении каких-либо параметров исследуемого процесса. Каждая единица статистического материала называется измерением или отсчётом, также допустимо называть его уровнем на указанный с ним момент времени [34].
Множественная регрессия - это уравнение статистической связи с несколькими независимыми переменными. Этот термин был впервые использован в работе Пирсона - Pearson, 1908 и заключается в анализе связи между несколькими независимыми переменными (называемыми также регрессорами или предикторами) и зависимой переменной. Например, агент по продаже недвижимости мог бы вносить в каждый элемент реестра размер дома (в квадратных футах), число спален, средний доход населения в этом районе в соответствии с данными переписи и субъективную оценку привлекательности дома. Как только эта информация собрана для различных домов, было бы интересно посмотреть, связаны ли и каким образом эти характеристики дома с ценой, по которой он был продан. Например, могло бы оказаться, что число спальных комнат является лучшим предсказывающим фактором (предиктором) для цены продажи дома в некотором специфическом районе, чем "привлекательность" дома (субъективная оценка). Могли бы также обнаружиться и "выбросы", т.е. дома, которые могли бы быть проданы дороже, учитывая их расположение и характеристики [34].
Модель авторегрессии проинтегрированного скользящего среднего (АРПСС) - это модель, которая применяется при моделировании нестационарных временных рядов в статистике. Нестационарный временной ряд характеризуется непостоянными математическим ожиданием, дисперсией, автоковариацией и автокорреляцией. Модель авторегрессии и проинтегрированного скользящего среднего (АРПСС) была предложена американскими учёными Боксом и Дженкинсом в 1976 г. как один из методов оценки неизвестных параметров и прогнозирования временных рядов [34].
Модель нейросетевого моделирования (искусственная нейронная сеть, (ИНС)) - это математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов) [38].
Совокупный объём отгруженной продукции - стоимость продукции, фактически отгруженной в отчетном периоде потребителям (включая продукцию, сданную по акту заказчика на месте), выполненных работ и услуг промышленного характера, принятых заказчиком независимо от того, поступили деньги на счет предприятия или нет.
Потенциал энергосбережения - количество ТЭР, которое можно сберечь в результате реализации технически возможных и экономически оправданных мер, направленных на эффективное их использование и вовлечение в хозяйственный оборот возобновляемых источников энергии при условии сохранения или снижения техногенного воздействия на окружающую и природную среды [29].
Показатель энергетической эффективности (объекта) - количественная характеристика уровней рационального потребления и экономного расходования ТЭР при создании продукции, реализации процессов, проведении работ и оказании услуг, выраженная в виде абсолютного, удельного или относительного показателя их потребления (потерь) [29].
Показатель энергосбережения - количественная характеристика намечаемых и (или) реализуемых мер по энергосбережению и их результатов [29].
Потребитель - физическое или юридическое лицо, осуществляющее пользование электрической энергией [29].
РАО ЕЭС России - Российское акционерное общество энергетики и электрификации, созданное на основании указа Президента Российской Федерации. Основной целью РАО ЕЭС является обеспечение надежного функционирования и развития Единой электроэнергетической системы Российской Федерации (ЕЭС России) [29].
Сезонности - это периодические колебания, наблюдаемые на временных рядах. Сезонность характерна для экономических временных рядов, реже она встречается в научных данных. В экономике многие явления характеризуются периодически повторяющимися сезонными эффектами [34].
Топливно-энергетические ресурсы (ТЭР) - совокупность всех природных и преобразованных видов топлива и энергии, используемых в хозяйственной деятельности (в том числе и воды как энергоресурса в системе ЖКХ) [29].
Условное топливо - условно-натуральная единица, применяемая для измерения топлива различных видов с помощью коэффициента, равного отношению теплосодержания 1 кг топлива данного вида к теплосодержанию 1 кг условного топлива, которое равно 29,3076 Дж/кг (7000 ккал/кг) [29].
Энергосбережение - это реализация правовых, организационных, научных, производственных, технических и экономических мер, направленных на эффективное использование топливно-энергетических ресурсов и на вовлечение в хозяйственный оборот возобновляемых источников энергии (Закон РФ «Об энергосбережении») [29].
Электроснабжение - совокупность мероприятий и инженерных сооружений по обеспечению потребителей электроэнергией [29].
Энергобаланс - баланс добычи, переработки, транспонирования, преобразования, распределения и потребления всех видов энергетических ресурсов и энергии [29].
Электробаланс - баланс получения, распределения и потребления электрической энергии.
Энергосберегающая политика - административно-правовое и финансовоэкономическое регулирование процессов эффективного использования и экономного расходования топливно-энергетических ресурсов [29].
Электроемкость производства ВРП - это удельный показатель потребления энергоресурсов (электроэнергии) по отношению к ВРП, в данном случае измеряется в кВтч/тыс. руб., либо в т у. т./тыс. руб. ВРП [29].

Энергосбережение и энергоэффективность являются наиболее актуальными вопросами в сегодняшней повестке дня во всем Мире. Должное внимание уделяется им и в России. Так, принятие указа Президента Российской Федерации от 4 июня 2008г. №889 «О некоторых мерах по повышению энергетической и экологической эффективности экономики страны», в 2009 году Федерального закона №261 «Об энергосбережении...» послужило стимулом для проведения массовых энергетических обследований потребителей и разработке долгосрочных целевых программ (ДЦП) повышения энергетической эффективности территории [1].
Планирование развития территории предполагает разработку различных программ: социально-экономических, повышения энергетической эффективности, комплексных программ развития, ДЦП и т.д. Для оценки перспективного развития топливноэкономического комплекса необходима взаимная увязка всех вышеперечисленных программ. Этим связующим звеном и является сводный топливно-энергетический и электрический баланс территории.
1 Обзор литературы
Точное прогнозирование энергопотребления играет важную роль в обеспечении стабильности энергопотребления в регионе и является основой для принятия управленческих решений в энергетическом планировании. Прогнозирование в настоящее время становится одним из наиболее приемлемых способов анализа, оценки и планирования поведения статистических показателей на краткосрочный, среднесрочный, или долгосрочный период.
Целью данной работы является прогноз ретроспективных данных электропотребления видами экономической деятельности и населением Сибирского федерального округа на перспективу до 2020 года с применением анализа множественной регрессии, модели АРПСС и нейросетевой модели в программе STATISTICA.
Решение задачи прогнозирования, как правило, состоит из двух этапов:
1. Построение математической модели с дальнейшей обработкой данных за прошедший период времени;
2. Получение прогноза используемыми методами и выбор наиболее оптимального; При многочисленных исследованиях прогнозирования спроса на электроэнергию выделяют три способа:
1. Экспертный метод или метод экспертных оценок - традиционный и всем известный метод, базирующиеся на использовании интуитивных суждений экспертов относительно перспектив развития объекта прогнозирования, основанных на их профессиональном, научном и практическом опыте [2].
Основные недостатки данного метода отражены в работах В.И. Доманова, А.И. Билаловой [2]. Это отсутствие обеспечения требуемой точности, зависимость процесса прогнозирования от одной переменной и невозможность ее подмены в критических ситуациях.
2. Метод искусственной нейронной сети или нейронный метод - огромная аналитическая система, основанная на соответствующем математическом аппарате [2].
Этот метод в настоящее время считается наиболее целесообразным и выгодным для точного прогнозирования электропотребления, но редко в прогнозировании спроса на энергоресурсы топливного энергетического баланса. Но, тем не менее, широко исследуется во многих зарубежный статьях. Исследования с близкой тематикой проводят такие авторы как Tsado Jacob, Usman Abraham Usman, Saka Bemdoo, Ajagun Abimbola Susan [3], Fazil Kaytez, M. Cengiz Taplamacioglu , Ertugrul Cam, Firat Hardalac [4], Hamid Bazargan, Morteza Giahi [5], Xunlin Jiang, Haifeng Ling, Jun Yan, Bo Li, andм Zhao Li [6].
В статье Tsado Jacob, Usman Abraham Usman, Saka Bemdoo, Ajagun Abimbola Susan. «Краткосрочное прогнозирование электроэнергии», используется метод группового учета нейронных сетей. Достаточно информативно излагается принцип построения нейронных сетей и их использование при прогнозировании данных. Также авторами сравнивается метод нейронных сетей и с методом множественной регрессией. Регрессионный анализ показал незначительные значения коэффициентов связи и большие значения среднеквадратичной и средней абсолютной процентной ошибок по сравнению с методом группового учета нейронных частиц.
Сложность оценки спроса на электроэнергию в данной работе заключается не только в наличии большого числа потребителей (население, виды экономической деятельности) и необходимостью учета различных прочих географических и экономических факторов, но и в том, что все эти факторы энергопотребления (топливная, обрабатывающая промышленности, строительство, транспорт и связь, население, сельское хоз-во, добыча полезных ископаемых и т.д.) собраны в том же объёме валового регионального продукта и в объёме электрического баланса, куда входит потребление ЭЭ населением и видами экономической деятельности.
3. Факторный метод прогнозирования - метод, основанный на учете влияния факторов касающихся определенной территории. В зависимости от их количества методы прогнозирования могут быть однофакторные и многофакторные [3].
Типичное построение информативной и объективной базы влияющих факторов энергопотребления для прогнозирования в целом по территории изложено в статье В.А. Непомнящего и Б.В. Берлина [7], где также уделяется внимание основным проблемам прогнозирования, приводится оптимальная погрешность прогнозирования и ее границы.
Среди публикаций, где проводится анализ однофакторного прогнозирования, интересны работы Д.В. Вершинина, а именно статья «Стратегические вопросы электропотребления и электросбережения в макрорегионе». Возможность прогнозирования статистических данных проводится на основе факторного корреляционного анализа или метода главных компонент в программе STATISTICA SPSS для электропотребления видами экономической деятельности территории [8].
Согласно изложенному, на сегодняшний день актуально и оптимально сгруппировать все способы прогнозирования в статистические методы и методы искусственного интеллекта [9].
Статистические методы включают регрессионный анализ, который получил большое распространение в последние десятилетия [10], пороговый авторегрессионный анализ [11], динамически нелинейный [12], непараметрическая регрессия [13], Бокс- Дженкинс (АРПСС) [14], и АРПСС (экспоненциальное сглаживание) [15].
Методы искусственного интеллекта: искусственные нейронные сети [6], нечеткая логика [16], генетически алгоритм и экспертная система [17].
Примеры с использованием метода искусственного интеллекта и метода искусственной нейронной сети при помощи нечеткой логики подробно изложены в статье Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева «Прогнозирование электрических нагрузок с применением методов искусственного интеллекта ИНС» [9], где, не смотря на успешное применение его за последнее десятилетие, вскрываются недостатки данных методов.
Модели ИНС допускают использование разнообразных (параметрических, не параметрических, линейных и нелинейных) переменных со сложной функцией активации и действительно имеют высокую точность прогнозирования по сравнению с регрессионными моделями. Однако точность определяется лишь в малой величиной погрешности метода. В регрессионном анализе недостаток точности можно повысить минимизацией значения погрешности вручную [18, 19], что не представляется возможным в ИНС. Также нейросетевой метод более подходит для прогнозирования электрических нагрузок и электропотребления, где статистические показатели уже являются параметрическими, поэтому точность все равно будет зависеть от достоверности исходных данных.
Согласно статье Е.С. Придворова [21], для анализа и прогнозирования явлений и процессов, влияющих на экономическое развитие региона, эффективным инструментом являются регрессионные модели. Преимущество регрессионных моделей состоит не только в возможности определения количественной меры зависимости, но и в изучении влияния различных факторов.
В данной работе метод множественной регрессии является наиболее эффективным методом прогнозирования, благодаря его широкому набору функциональных зависимостей, возможностью включения в статистическую модель в качестве самостоятельной переменной фактора времени, и других значимых факторов, влияющих на зависимую величину. Метод ИНС является самым универсальным методом, который характеризуется не менее широким набором функциональных зависимостей, разнообразной архитектурой сети и многочисленными методами обучения.

Купить